[发明专利]一种级联骨干的金具检测模型及剪枝方法

说明书

本发明公开了一种级联骨干的金具检测模型及剪枝方法，包括步骤：构建金具数据集，获取不同类型的金具图像；基于多融合阶梯级联结构，设计复合骨干网络；引入高效通道注意力机制对级联骨干输出进行优化，增强有效特征；借鉴无锚网络思想，通过中心点、偏移量及尺度三个预测分支产生预测结果；设计基于稀疏化训练的模型剪枝方法，减少参数量和体积。本发明将无锚思想应用于金具检测领域，通过设计级联骨干网络和高效通道注意力机制提高精度的同时，还设计基于迭代稀疏训练的模型压缩方法，结合通道剪枝，实现了模型极大比例的压缩。

技术领域

本发明涉及图像分析技术领域，尤其涉及一种级联骨干的金具检测模型及剪枝方法。

背景技术

金具是输电线路上广泛使用的铁质或铜制金属附件，主要用于支持、固定、接续裸导线、导体及绝缘子等，种类繁多且形状差异较大。由于金具常年运行在户外，极易产生锈蚀、形变、损坏等现象，严重时会引起大规模地停断电，经济损失不可估量，因此实现对金具目标高精度实时检测可自动定位其故障，对保障电网的安全运行具有重大意义。近年来，随着人工智能技术发展，采用计算机视觉和图像处理技术对航拍金具图像进行自动化处理已成为当下的主要手段。

目前较为成功的金具检测模型大多采用复杂的深层主干网络或依赖大量锚框来提高检测精度，但同时带来过多模型参数，对硬件计算资源要求较高，无法满足实时检测的需求；同时，较大的模型体积也使其无法适用于硬件资源相对受限的作业平台。

本发明将无锚网络思想应用于金具检测，利用关键点对金具进行检测，减少参数量同时提升检测速度，但此模型在应用中也存在一些问题。首先，单一的轻量级主干网络在检测中特征提取能力不足，无法解决复杂背景下金具多尺度的问题；其次，为适用于计算和存储资源有限的移动边缘端，需进一步压缩模型体积。

因此，在上述背景下，将无锚化网络应用于边缘端金具检测，进一步提升提取特征能力并压缩模型体积，使其满足边缘端部署的精度和体积要求成为重中之重。

发明内容

本发明的目的是提供一种级联骨干的金具检测模型及剪枝方法，，减少模型参数量和计算量，训练模型得出结果；

进一步的，所述步骤S1中，构建金具数据集，得到不同类别的金具图像，具体包括：

将航拍图像中输电线路及杆塔中包含金具的区域裁剪下来，进行清洗，选取其中图像清晰、含有金具种类和数目较多的图像。

进一步的，所述步骤S2中，借鉴CBNet的多融合阶梯级联主干网络结构，错级连接MobileNetV3与ResNet18，具体包括：

首先，引入CBNet复合骨干网络思想，通过融合双支主干网络的高层和低层特征进行互补，提高检测精度和速度。

其次，主干网络采用轻量级网络MobileNetV3，并新增一个并行分支主干ResNet-18。ResNet-18分支网络无下采样操作以保证尺度不变性，减少特征丢失。同时网络层数的加深增强了网络学习困难样本的能力。

然后，选取MobileNetV3的第二层、第三层、第五层分别输出4倍、8倍、16倍下采样三个特征，用于和ResNet-18残差块输出的特征进行堆叠：第一个残差块输出的特征与MobileNetV3的输入特征进行堆叠；第二个残差块的输出的特征与MobileNetV3的第一个输出特征进行堆叠，以此类推。

最后，将主干网络与分支网络最后的输出特征进行通道叠加。CBNet复合结构所占内存大小远低于原模型采用的Hourglass和DLA主干结构，提升了训练速度和检测精度。

进一步的，所述步骤S3中，引入高效通道注意力模块，对主干网络两个分支的输出进行优化，增强有效特征，具体包括：